Transcript PENGOLAHAN CITRA DIGITAL : PENGANTAR DAN APLIKASI, …
PENGOLAHAN CITRA DIGITAL
:
PENGENALAN POLA TEMPLATE MATCHING
Oleh : Ir. H. Sirait, MT Web/Blog : http://www.hsirait.wordpress.com
Phone : 081356633766 FB : Hasanuddin MP Sirait TW : @hsirait BBM : 29C01DD4 Keyword : hsirait
Recognition Methodology ( Weng & Stockman, CPS803, MSU, 1990 )
Conditioning
Labeling
Grouping
Extracting
Matching
2
Conditioning
Memperbaiki kondisi citra untuk proses interpretasi:
Geometric correction
Different sensor system
Image registration
Radiometric correction
Uninteresting variation disebut juga noise, bisa bersifat additive (+) atau multiplicative (*)
Image filtering
3
Labeling
Memberikan label pada wilayah-wilayah yang ada pada citra
Memberikan label pada wilayah yang homogen berdasarkan ciri tonal dan warna (disebut primary features)
Memberikan label pada wilayah bertekstur berdasarkan ciri tekstur (disebut secondary features)
Contoh: citra sensor optik bersifat homogeneous sedangkan citra sensor radar bersifat textured
4
Grouping & Extracting
Grouping: merupakan proses pembentukan wilayah-wilayah pada citra
Image segmentation / clustering
Training samples and area identification
Extracting: merupakan proses ekstraksi ciri pada piksel citra
Ciri primer atau sekunder
Homogeneous area: tonal mean & variance
Textured area: Gray Level Co-occurrence Matrix (GLCM)
5
Matching
Melakukan identifikasi obyek pada citra
Pengenalan obyek dilakukan dengan membandingkan ciri obyek yang diamati dengan pengetahuan yang telah dimiliki tentang obyek obyek yang ada
Sistem matching dibangun dengan melalui proses pelatihan dan proses pengenalan. Pada proses pelatihan dibangun suatu aturan keputusan (decision rules), sedangkan pada proses pengenalan digunakan aturan keputusan tersebut.
6
Pattern Recognition – Pengenalan Pola
Pengertian pola (pattern):
Pola adalah suatu entitas yang dapat didefinisikan (mungkin secara samar) dan dapat diberi suatu identifikasi atau nama. Contoh: gelombang suara, sidik jari, raut wajah, penutup lahan dll.
Pengertian object descriptors / features / ciri:
Suatu ukuran yang bersifat kwantitatif yang merupakan deskriptor suatu obyek tertentu pada citra Merupakan kumpulan deskriptor (features / ciri) suatu obyek pada citra Pengertian kelas pola (kategori obyek):
Sekumpulan pola yang mempunyai sifat / properties / ciri yang sama Contoh: pola-pola pada kelas hutan, pola-pola pada kelas air dst.nya
7
Pattern Recognition System (Sumber: Scientific American Journal, 1997))
Bagaimana membedakan tiang telepon dari pohon? Mereka mempunyai ciri sama: ada batang dan ranting!
8
Pattern Recognition vs Artificial Intelligence
Pattern Recognition:
Statistical Decision Theory – Computational Intelligence Approach
Speech recognition
2-D object recognition
Artificial Intelligence:
Knowledge-based system – Computational Intelligence
Speech understanding
3-D object recognition
9
Beberapa Pattern Recognition Systems
Contoh beberapa pattern recognition (PR) system:
Computer-based procedures for automatically classifying objects and making decisions.
Commercial Pattern Recognition System: blood cells, finger prints, voice and word recognition.
Industrial machine vision system: object identification for sorting, inspection and assemby.
10
Elemen Kerja Pengembangan Sistem PR
Definisi Masalah
Analisis Kebutuhan Data
Akuisisi Data
Pembentukan Ciri
Pembentukan Pattern Recognition System
11
Optical Character Recognition (OCR) System 12
Operasi Sistem Pengenalan Pola
Tahap Latihan: terdiri dari rancangan ekstraksi ciri, rancangan aturan keputusan, evaluasi hasil pengenalan pola, dan pembentukan data pengetahuan Tahap Pengenalan (Operasional): terdiri dari penentuan pola yang akan diamati, pengukuran ciri, proses pengenalan dengan memberlakukan aturan keputusan serta penggunaan data pengetahuan Tahap Evaluasi: apakah hasil pengenalan (dengan real – world pattern) sudah optimal, ataukah masih perlu untuk memperbaiki dengan mencari ciri yang lebih efektif dan aturan keputusan yang lebih akurat
13
Model Sistem Pengenalan Pola
Geometric / Statistical Approach
Structural / Syntactic Approach
Computational Intelligence Approach:
Fuzzy Logic Approach
Neural Network Approach
14
Analogi Pendekatan Statistical dan Syntactical
Statistical
Ciri / Feature (warna, tekstur)
Density Function (probabilitas)
Estimation (mean, variance)
Classification (kategori obyek)
Syntactical
Primitif (garis lurus, orientasi) Grammar (natural language) Inference (aplikasi primitif pada grammar) Description (kategori obyek) 15
Geometric / Statistical Approach
16
Structural / Syntactic Approach
17
Proses Pelatihan
Pendekatan Geometric / Statistical
Sampel daerah hutan Sampel daerah air Sampel daerah awan Estimator: gray-level mean value Decision rule: minimum distance 18
Proses Pengenalan 19
Proses Pelatihan Grammar (Tata Bahasa) dinyatakan dalam bentuk aturan untuk memproduksi bentuk square dan triangle : {
n n n a b c d n
|
n
0} 20 {
n n a e g n n n c f h n
|
n
0}
Proses Pengenalan 21
Dua Issue Penting Pada Proses Pelatihan
Pemilihan sampel untuk pelatihan dan untuk testing
Jumlah dan sampel yang dipilih diusahakan sesuai dengan pola pada dunia nyata Biasanya dilakukan oleh pakar atau dengan dukungan suatu informasi ground truth Bisa digunakan 25% untuk pelatihan dan 75% untuk testing sampai dengan 50% - 50% Pemilihan ciri obyek yang akan dipakai (feature selection)
Ada jumlah ciri yang optimal, lebih dari itu ketelitian pengenalan akan menurun (disebut sebagai fenomena
curse of dimensionality
) Bgaimana memilih set ciri terbaik dari sekian ciri yang tersedia?
22
SUMMARY
Metodoligi pengenalan : 1. Memperbaiki kondisi citra untuk interpretasi 2. Pemberian label pada wilayah citra yang diinginkan.
3 Pembentukan wilayah pada citra 4. Ekstrasi ciri 5. Pengidentifikasian obyek pada citra Model sistem pengenalan pola yang sering digunakan ada 2 : 1. Syntactical 2. Statistical 30/04/2020 PERTEMUAN KE-14 23
TUGAS
Makalah tentang Aplikasi Pengenalan Pola !
NB : tiap mahasiswa beda judul 24 30/04/2020 PERTEMUAN KE-14
REFERENSI
1.
Rafael C. Gonzales, Richard E. Woods dan Steven L. Eddins,
Digital Image Processing using Mathlab
, Prentice Hall, 2003 30/04/2020 PERTEMUAN KE-4 25